FRONTIER · 模型内部
思维链提示
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
Jason Wei 等
思维链概念的提出者，此后成为所有推理模型的基础
为什么选它一个改变了所有人用 AI 方式的发现，核心简单到近乎荒谬：让模型把过程写出来，它就算得对了。今天推理模型已把它训进内部，但理解它才能理解「推理预算」这件事。
一个改变了所有人用 AI 方式的发现，而它的核心简单到近乎荒谬：让模型把过程写出来，它就算得对了。
在此之前，大模型做小学应用题的正确率低得尴尬。这篇论文发现，只要在提示里给几个「带解题步骤」的示例，让模型模仿着一步步写推导，准确率能翻好几倍。后来更进一步——连示例都不用给，直接加一句「让我们一步一步思考」，效果就出来了。
更值得注意的是论文里的另一个观察：这个能力是「涌现」的。小模型用了思维链反而更差，只有参数量越过某个门槛之后，收益才突然出现。这个现象后来引发了大量关于「涌现能力到底是真实存在还是度量方式造成的错觉」的争论。
它今天还成立吗？部分过时了，但方向完全正确——2026 年的主流推理模型已经把这套东西训进了模型内部，你不写它也会自己推。所以今天的问题不再是「要不要加那句咒语」，而是推理预算怎么花：什么时候值得让模型多想几轮，什么时候直接答更划算。另外必须知道的一点：模型写出来的推理步骤，未必是它真实的计算过程——这个坑由第 10 篇论文捅破。
去读原文
本文是原创导读，不是原文翻译——真正的细节、证据和微妙之处都在原文里。
原文arXiv:2201.11903 · Chain-of-Thought Prompting →
本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。 篇目由编辑独立选取，来源均经人工核实。